カメラを通して世界を読み取るロボットは、今や大規模なビジョン言語モデルに頼って、それが見ているものを解釈し、次に何をすべきかを決定しています。これらのモデルは画像とテキストを一緒に処理するため、カメラフレーム内に収まる単語はすべて入力の一部となります。信号機、通りの名前、壁のステッカーなどです。攻撃の中心にある考えすぎの行動ミシガン工科大学の研究者たちは、この読み取りが…